Parallelization and Deep Learning Techniques for the Registration and Reconstruction of Dynamic Cardiac Magnetic Resonance Imaging

Abstract

Magnetic Resonance Imaging (MRI) is a medical imaging technique that produces detailed images of the body organs and tissues without the use of ionizing radiation. In the field of cardiology, cardiac magnetic resonance (CMR), also known as cardiac MRI, is a valuable tool for the evaluation of patients with different pathologies. CMR modalities such as cardiac cine and first-pass perfusion allow practitioners to visualize the myocardium dynamic behavior and to evaluate blood perfusion in the heart tissue respectively, but they require breath-holds during acquisition and have technical difficulties due to the dynamics of the heart. In addition, there are other drawbacks to CMR, including the protocol duration, high costs, and the likelihood of image degradation due to irregular cardiac and respiratory motion. There is a high demand to improve the efficiency of data collection to reduce scan times or to improve spatio-temporal resolutions.

To increase patient comfort, the amount of information required for image reconstruction must be reduced, i.e. collecting only a portion of k-space (undersampling), which results in increased complexity in processing the acquisitions. The issue arises because the information in the reconstruction problem is insufficient to determine a solution, i.e. the problem is ill-conditioned, so additional information and constraints must be added. This results in a cost function that is optimized to provide a regularized solution.

The focus of this Thesis is on the challenge of efficiently reconstructing dynamic MRI images from highly undersampled data, taking advantage of the motion present in the dynamic sequences to utilize the redundant information in both time and space. For this purpose, we start from the groupwise compressed sensing (GWCS) solution, previously reported by our research group.

On the one hand, a parallel framework for GWCS is explored. GWCS is a highly parallelizable problem, so we will make use of the OpenCLIPER framework, another previous work of ours, for its implementation. This solution is motion compensated to increase the sparse character of the solution, so we have to parallelize: 1) the groupwise registration algorithm to estimate the motion, which will be done using FFDs with cubic B-splines, and 2) the optimization algorithm of the reconstruction itself, for which we will use NESTA. Results obtained with and without motion estimation and compensation are analyzed to conclude that the solution is clinically viable in terms of execution times, and suitable for any computing device which has an OpenCL implementation.

On the other hand, we propose a GWCS-like approach that leverages deep learning to enhance the reconstruction process. Our approach eliminates the need of optimization steps and utilizes deep learning techniques instead to speed up reconstructions and reduce computational complexity. We first create a fast solution for registration with unsupervised DL, called dGW, and then a self-supervised DL solution for motion-compensated reconstruction (SSMoComp) that relies on the previously trained registration. Regarding dGW, we found that it achieved comparable accuracy to traditional optimization-based approaches, but with significantly reduced registration runtimes. As for SSMoComp, we conducted a comparative analysis with a state-of-the-art solution and observed that our design outperformed it, yielding superior results. A modified version of the cine DL solution was additionally adapted for first-pass perfusion, called SECRET. Compared with state-of-the-art approaches, the SECRET method maintains good quality reconstructions for higher acceleration rates, with low training and very fast reconstruction times.

La imagen por resonancia magnética (MRI) es una técnica de imagen médica que produce imágenes detalladas de los órganos y tejidos corporales sin utilizar radiaciones ionizantes. En el campo de la cardiología, la resonancia magnética cardiaca (CMR), también conocida como MRI cardiaca, es una valiosa herramienta para la evaluación de pacientes con distintas patologías. Las modalidades de CMR como cine cardiaco y perfusión de primer paso permiten visualizar el comportamiento dinámico del miocardio y evaluar la perfusión sanguínea en el tejido cardiaco respectivamente, pero requieren contención de la respiración durante la adquisición y presentan dificultades técnicas debido a la dinámica del corazón. Además, la CMR presenta otros inconvenientes, como la duración del protocolo, los elevados costes y la probabilidad de degradación de la imagen debido a movimientos cardíaco y respiratorio irregulares. Existe una gran demanda de mejora de la eficiencia de la adquisición de datos para reducir los tiempos de las pruebas o mejorar las resoluciones espacio-temporales.

Para aumentar la comodidad del paciente, es necesario reducir la cantidad de información necesaria para la reconstrucción de las imágenes, es decir, recoger sólo una parte del espacio k (submuestreo), lo que se traduce en una mayor complejidad en el procesamiento de las adquisiciones. El problema surge porque la información del problema de reconstrucción es insuficiente para determinar una solución, es decir, el problema está mal condicionado, por lo que hay que añadir información y restricciones adicionales. Esto da lugar a una función de coste que se optimiza para proporcionar una solución regularizada.

Esta Tesis se centra en el reto de reconstruir eficientemente imágenes de resonancia magnética dinámicas a partir de datos altamente submuestreados, aprovechando el movimiento presente en las secuencias dinámicas para utilizar la información redundante tanto en tiempo como en espacio. Para ello, partimos de la solución groupwise compressed sensing (GWCS), previamente desarrollada en el grupo de investigación.

Por un lado, se explora un marco paralelo para GWCS. GWCS es un problema altamente paralelizable, por lo que haremos uso del framework OpenCLIPER, también desarrollado previamente en el grupo, para su implementación. Esta solución está compensada en movimiento para aumentar el carácter sparse de la solución, por lo que tenemos que paralelizar tanto el algoritmo de registro grupal para estimar el movimiento, que se hará usando FFDs con B-splines cúbicos, como el algoritmo de optimización de la propia reconstrucción, para lo que usaremos NESTA. Se analizan los resultados obtenidos con y sin estimación y compensación de movimiento, lo que nos permite afirmar que la solución es clínicamente viable en términos de tiempos de ejecución, y apta para cualquier dispositivo informático que disponga de una implementación OpenCL.

Por otro lado, se propone una solución tipo GWCS basada en deep learning. Proponemos sustituir los pasos de optimización por aprendizaje profundo para que las reconstrucciones sean más rápidas y se reduzca la complejidad computacional. Primero creamos una solución rápida para el registro con DL no supervisado, llamada dGW, y luego una solución DL autosupervisada para la reconstrucción compensada en movimiento que hace uso del registro previamente entrenado, llamada SSMoComp. En cuanto a dGW, los resultados fueron comparables a los de una solución basada en la optimización, mientras que los tiempos de ejecución del registro se redujeron claramente. En cuanto a SSMoComp, se comparó con una solución del estado del arte y los resultados favorecieron nuestro diseño. Se adaptó además una versión modificada de la solución cine DL para la perfusión de primer paso, denominada SECRET. En comparación con los enfoques más avanzados, el método SECRET mantiene reconstrucciones de buena calidad para tasas de aceleración más altas, con tiempos de entrenamiento bajos y tiempos de reconstrucción reducidos.